共查询到20条相似文献,搜索用时 370 毫秒
1.
基于共生进化策略的集成智能故障诊断系统研究 总被引:1,自引:0,他引:1
智能故障诊断技术作为人工智能技术在故障诊断领域的应用,为保障工程技术系统的可靠性和安全性开辟了新的途径.但随着系统设备和功能的日益复杂化,发生故障的机率以及由此带来的损失越来越大,现有单一、固定的故障诊断方法却难以满足复杂系统诊断的全部要求.针对故障诊断系统中现有集成故障诊断推理模型的不足,借鉴生物在生态环境中的共生策略,文章提出了一种基于共生进化策略的集成诊断策略,讨论了相关技术问题,采用多Agent技术,给出了相应的集成化诊断系统模型框架. 相似文献
2.
智能故障诊断系统作为人工智能技术在故障诊断领域的应用,在实践中取得了较好的成效,同步发电机励磁装置诊断系统是在对励磁单元的结构层次、工作原理及其故障模式、故障机理展开分析和研究的基础上来进行设计的,针对现场实际的需要,对智能故障诊断系统在励磁系统故障诊断的应用技术进行了研究,分析了诊断系统的层次结构和主要组成模块,采用DSP作为控制器件,设计了诊断系统的硬件结构和软件结构,最后讨论了诊断系统的诊断机理和工作流程。 相似文献
3.
4.
基于专家知识库属性重要度的故障诊断方法研究 总被引:2,自引:0,他引:2
利用粗糙集理论中重要性度量的概念和专家知识库集成技术,研究了复杂系统故障诊断的一类新方法。首先,在给出多领域专家知识库集成系统定义和复杂系统状态赋值规则的基础上,利用粗糙集理论中的属性重要度的概念建立了专家知识库属性重要度模型;然后,提出了该模型运行机理的算法规则,并结合多领域专家知识库集成技术,构造了一种能对实时动态环境进行监控和故障诊断的网络化诊断系统;最后,仿真试验验证了该方法的有效性和合理性。此方法成功应用于复杂系统故障诊断的实际工程实例表明,这种诊断方法具有良好的更新能力和应用前景。 相似文献
5.
6.
通过封装服务、规范标准服务,AI-EATATE为诊断系统的客户端和应用对象的扩展、测试与诊断的分离提供了条件,使其更适合远程控制的诊断系统的构建。论文分析了武器装备远程故障诊断对知识重用与共享、软件互操作的需求,提出了面向远程诊断的AI-ESTTAE智能诊断系统构建的方法;研究了AI-ESTATE智能诊断系统的基本结构和框架,讨论了AI-ESTATE在发展过程中其服务的变化对开放、远程智能诊断系统构建的影响;最新的AI-ESTATE标准规范的服务更加强了对诊断过程的控制和效果评估,论文采用状态图的方式分析了最新的AI-ESTTAE服务在远程故障诊断过程的作用,为符合AI-ESTATE标准的远程故障诊断系统的开发提供了方法。 相似文献
7.
8.
基于分布式人工智能的思想 ,将多Agent技术引入复杂故障诊断领域 ,分析了基于MAS的分布式智能故障诊断方法和过程 ;讨论了基于模式聚类的故障求解机制及对诊断问题任务辨识、分解 ;研究了多Agent宏观上的约束和关联 ;设计了应用Agent工作状态的表达机制 ;确定了应用Agent间的工作状态影响关系及多Agent间的交互、协作和通讯 ;构建了多Agent模糊关联模型 ;给出了多Agent诊断系统局部诊断决策与全局诊断决策的集成描述结构 ;建立了一种分布式Agent诊断系统结构及其原型系统 .在某电力企 相似文献
9.
10.
《电子制作.电脑维护与应用》2021,(8)
介绍一套输电网络设备故障诊断专家系统的设计结构,确定诊断系统由故障巡检和故障诊断专家系统组成。在故障诊断的方法中引入了故障树分析,同时将领域专家的经验知识转化为诊断系统的知识,构建采用正向推理机制的诊断系统。 相似文献
11.
论文提出一种基于双向LSTM的气动回路故障诊断方法,使用AMESim软件建立某生产线的气动回路仿真模型,模拟气动回路的单重故障和多重故障,记录仿真数据,制作该气动回路的故障诊断数据集,在Matlab环境下建立双向LSTM网络架构进行气动回路故障诊断实验与分析,结果表明双向LSTM模型在多重故障识别的正确率高于LSTM模... 相似文献
12.
13.
Fault diagnosis methods for rotating machinery have always been a hot research topic, and artificial intelligence-based approaches have attracted increasing attention from both researchers and engineers. Among those related studies and methods, artificial neural networks, especially deep learning-based methods, are widely used to extract fault features or classify fault features obtained by other signal processing techniques. Although such methods could solve the fault diagnosis problems of rotating machinery, there are still two deficiencies. (1) Unable to establish direct linear or non-linear mapping between raw data and the corresponding fault modes, the performance of such fault diagnosis methods highly depends on the quality of the extracted features. (2) The optimization of neural network architecture and parameters, especially for deep neural networks, requires considerable manual modification and expert experience, which limits the applicability and generalization of such methods. As a remarkable breakthrough in artificial intelligence, AlphaGo, a representative achievement of deep reinforcement learning, provides inspiration and direction for the aforementioned shortcomings. Combining the advantages of deep learning and reinforcement learning, deep reinforcement learning is able to build an end-to-end fault diagnosis architecture that can directly map raw fault data to the corresponding fault modes. Thus, based on deep reinforcement learning, a novel intelligent diagnosis method is proposed that is able to overcome the shortcomings of the aforementioned diagnosis methods. Validation tests of the proposed method are carried out using datasets of two types of rotating machinery, rolling bearings and hydraulic pumps, which contain a large number of measured raw vibration signals under different health states and working conditions. The diagnosis results show that the proposed method is able to obtain intelligent fault diagnosis agents that can mine the relationships between the raw vibration signals and fault modes autonomously and effectively. Considering that the learning process of the proposed method depends only on the replayed memories of the agent and the overall rewards, which represent much weaker feedback than that obtained by the supervised learning-based method, the proposed method is promising in establishing a general fault diagnosis architecture for rotating machinery. 相似文献
14.
多传感器信息融合及在智能故障诊断中的应用 总被引:19,自引:2,他引:17
对多传感器信息融合进行了简要的综述,进而提出了信息融合的一般结构,结合智能故障诊断系统的特点,研究了基于信息融合技术的诊断系统结构。 相似文献
15.
针对现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计烦琐及参数寻优耗时等问题,提出了一种基于网络结构搜索的工业过程自动故障诊断方法(automatic fault diagnosis, AutoFD),该方法采用AutoFD网络结构搜索算法,来自动完成卷积神经网络的网络结构设计和网络参数寻优。在此基础上,首先通过在原始数据上施加操作生成新通道;接着利用表现预测加速获取通道适应性排序的过程;然后依据通道适应性排序,通过表现预测来快速选取最优卷积通道数;最终根据最优卷积通道来搜索表现最优的多通道卷积神经网络模型用于工业过程自动故障诊断。采用田纳西—伊斯曼(Tennessee Eastman, TE)工业过程和数值系统对提出方法进行验证,结果表明该方法可以实现网络结构自动设计及网络参数的自动寻优,并且具有优良的故障诊断性能。 相似文献
16.
E级计算机系统规模巨大,使得故障异常总量随之增多,导致诊断发现的难度增加,因此,迫切需要一套更加准确高效的实时维护故障诊断系统,对硬件系统进行全面的异常及故障信息实时检测、故障诊断及故障预测。传统故障诊断系统在面对数万节点规模的诊断时存在执行效率低、异常检测误报率高的问题,异常检测及故障诊断的覆盖率不足。对异常及故障检测、故障诊断与故障预测相关技术进行研究,分析技术原理及适用性,并结合E级高性能计算机实际工程需求,设计一套满足数E级高性能计算机需求的维护故障诊断系统。基于维护系统的结构组成设计可扩展的边缘诊断架构,将高性能计算机系统知识、专家知识与数理统计、机器学习相融合给出故障检测、诊断及预测算法,并针对专用场景建立预测模型。实验结果表明,该系统具有较好的可扩展性,能在10 s内完成对十万个节点规模系统的故障诊断,与传统故障诊断系统相比,异常检测某特定指标误报率从3.3%降低到几乎为0,硬件故障检测覆盖率从90.2%提升至96%以上,硬件故障诊断覆盖率从71%提升至约94%,能较准确地预测多个重要应用场景下的故障。 相似文献
17.
故障诊断与预测技术是故障预测与健康管理(PHM)中的两大关键技术.依据电子系统的故障模式与机理,结合测试性设计分析理论,提出了一种基于测试性的电子系统综合诊断与故障预测方法框架.对国内外综合诊断与故障预测方法进行了分类与总结,从基于测试性的嵌入式诊断、基于信号处理的智能故障诊断、基于测试性的故障预测3个方面论述了电子系统综合诊断与故障预测方法.最后分析了制约电子系统综合诊断与故障预测的因素,并探讨了未来的发展趋势. 相似文献
18.
19.
将人工神经网络与专家系统集成应用于无人机系统故障诊断,构建一个无人机系统的智能故障诊断系统,给出系统的结构组成,详细描述神经网络专家系统的工作原理.仿真结果表明,该方法应用于无人机系统故障诊断是有效的. 相似文献
20.
基于ANN的组合智能故障诊断专家系统的设计 总被引:5,自引:0,他引:5
介绍了基于ANN的组合智能故障诊断专家系统的总体结构和诊断模型,在此基础上给出了故障诊断系统的推理机制和诊断策略,并对其各诊断模块的诊断方法进行了较为深入的研究,为进一步开发基于某导弹通用测试系统的导弹故障诊断系统提供了主要的依据,具有一定的指导意义和实践价值。 相似文献